我们通过使用最近发布的 ECTSum 数据集，结合无监督的问题提取模块和参数高效的指令调优抽象模块，解决了长期财务文件的项目摘要化问题，并提出的模型 FLAN-FinBPS 在这一任务上取得了新的最佳性能，超过最强基准模型 14.88% 的平均 ROUGE 分数增益，并能够生成在 ECTs 中讨论的重要事实的一致性项目摘要。

May, 2024

本文提出了一个基于视频讲座的英语口语文本摘要的基准数据集 VT-SSum，该数据集包含 9,616 个视频的 125K 个口语文本 - 摘要对，使用该数据集进行的实验结果表明，与 AMI 标准相比，使用 VT-SSum 进行训练的深度学习模型能够显著提高对口语文本的摘要质量。

Jun, 2021

本文提出了一种新颖的直接抽取式语音摘要架构 ESSumm，它是一种基于深度学习的无线束模型，可以直接从语音中生成摘要，极大地提高了从未转录的数据的摘要质量。

Sep, 2022

SciBERTSUM 是一种针对科学论文的摘要框架，通过增加节嵌入层和应用稀疏注意力机制，在长文本（超过 500 句）中表现出更好的 ROUGE 分数。

Jan, 2022

本文介绍了两种新颖的方法，利用大量外部文本摘要数据为 E2E SSum 训练提供支持，分别是使用 TTS 系统生成合成语音进行训练，以及使用输入音素序列而非合成语音直接训练模型。实验证明，这些方法在 How2 数据集上改进了多个指标，并且是第一篇使用外部语言资源进行 E2E SSum 的工作。

Mar, 2023

本文介绍了基于 CNN/Dailymail 数据集构建的首个主题摘要语料库 NEWTS，用于支持主题摘要任务，可以评估不同提示方法的效果。

May, 2022

本综述论文系统性地评估了长文档自动摘要各主要组成部分的研究进展，包括基准数据集、摘要模型和评估方法，并提出未来工作的方向。

Jul, 2022

评估标准数据集、评估指标、模型三方面存在的问题，提出了数据集自动采集、评估不足以反映人类判断、模型样本不足多样化等三个主要问题，导致长文本摘要进展不一。

Aug, 2019

介绍了事件关键摘要（EKS），它是传统摘要和文档级事件提取的结合，目标是根据文档和提取的事件结构为特定事件生成一个上下文化的摘要。介绍了这一任务的数据集 MUCSUM，包括经典 MUC-4 数据集中所有事件的摘要，以及预训练语言模型和更大前沿模型组成的基准集。通过减少 EKS 到传统摘要或结构转文本的消融实验，我们证明了目标事件的摘要质量会降低，而 MUCSUM 是这一任务的一个稳健的基准。最后，我们对参考摘要和模型摘要进行了人工评估，并对结果进行了详细分析。

Feb, 2024

旨在创造简明摘要以涵盖输入文档的要点信息。自动文档摘要对文本和非文本内容进行了讨论，提出了涵盖定量描述的关键指标的表格数据的重要性，提出了一个大规模数据集和三种摘要方法，还评估了评估指标

Feb, 2023